Estimation Theory, Accelerated Program Course

Innehåll visas utifrån dina val

Om du inte hittar någon sida, schemahändelse eller nyhet på din kurswebb kan det bero på att du inte ser den kursomgången/gruppen inom kursen som innehållet tillhör.

Veta mer om din kurswebb

Din kurswebb är sidorna för en kurs du prenumererar på. Du väljer sedan vilka omgångar/grupper inom kursen du vill ha information från. Är du registrerad på en kursomgång sköts prenumeration och val av kursomgäng automatiskt åt dig. Vill du ändra något av detta gör du det under Mina inställningar.

När du är inloggad på din kurswebb ser du:
  • Kursöversikt, nyheter och schema med information som är filtrerat utifrån dina valda omgångar/grupper inom kursen
  • Allmänna sidor för hela kursen
  • Kurswikin som är sidor som alla, lärare och studenter, kan skapa och redigera
  • Sidor som hör till de omgångar/grupper inom kursen du valt eller som valts för dig

Log in to your course web

You are not logged in KTH, so we cannot customize the content.

This is an introductory course to statistical estimation theory given from a signal processing perspective. The aim is to provide the basic principles and tools which are useful to solve many estimation problems in signal processing and communications. It will also serve as the necessary prerequisite for more advanced texts and research papers in the area. The course will cover fundamental concepts such as sufficient statistics, the Rao-Blackwell theorem and the Cramer-Rao lower bound on estimation accuracy. Furthermore, the most common estimation methods are treated, including maximum likelihood, least-squares, minimum variance, method of moments and Bayesian estimation. The course assumes some familiarity with basic matrix theory and statistics.

Learning outcomes:

After the course the student should be able to:

1. Describe the difference between the classical and Bayesian approach to estimation; describe the notions of estimator bias, variance, and efficiency; and describe the notion of sufficient statistics and its meaning in minimum variance unbiased (MVU) estimation.

2. Formulate system models and parameter estimation problems and derive corresponding Cramer-Rao lower bounds and sufficient statistics. Prove optimality of estimators.

3. Apply appropriate estimators including linear, least squares, maximum likelihood, and method of moments estimators after considering estimation accuracy and complexity requirements

4. Work with both real and complex valued data models.

5. Solve and analyze a real world estimation problem.

Course main content: Introduction, Minimum Variance Unbiased Estimation, Cramer- Rao Lower Bound, Linear Estimators, Maximum Likelihood, Least Squares, The Method of Moments, Bayesian Methods, Extension to Complex Data

Recommended prerequisites:

Sufficiency in probability theory, calculus and linear algebra (matrix analysis useful but not required).


Steven M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, Pren- tice Hall, ISBN 0-13-345711-7

Required equipment:

Access to a computer with Matlab for projects.


Feedback News